基于聲發射及小波奇異性的鋼軌損傷檢測

宋 陽， 吳 凡， 劉德扣， 劉曉舟， 倪一清

(1.上海交通大學 船舶海洋與建筑工程學院，上海 200240； 2.香港理工大學 深圳研究院,智能結構健康監測研發中心，深圳 518057)

基于聲發射及小波奇異性的鋼軌損傷檢測

宋 陽1， 吳 凡1， 劉德扣1， 劉曉舟2， 倪一清2

(1.上海交通大學 船舶海洋與建筑工程學院，上海 200240； 2.香港理工大學 深圳研究院,智能結構健康監測研發中心，深圳 518057)

很多重大脫軌事件都與鋼軌的損傷密切相關，因此，對在役鋼軌進行定期損傷檢測顯得尤為重要。研究首先運用聲發射原理，通過對在役鋼軌損傷前后監測系統所采集的數據信號進行時域及頻域的分析，根據有損信號的能量譜特點，判斷鋼軌中損傷的存在。其次，運用小波奇異性檢測原理探討研究了定位損傷。通過分析各種連續小波變換算法的結果，得出à Trous算法在奇異性檢測中能夠較準確判斷出奇異點位置。因此，結合聲發射原理和小波處理的方法的無損監測可應用于在役鋼軌的損傷檢測和定位，對鐵路鋼軌損傷進行檢測和預報。

鋼軌；無損監測；聲發射檢測；小波奇異性分析

鋼軌在使用過程中會因為制動摩擦、滾動荷載和殘余應力等影響產生一系列損傷，比如磨損，塑性變形和疲勞損傷等，給鐵路正常運行帶來隱患。如何能夠在損傷帶來危害前無損且高效實時地檢測鋼軌健康狀態，是如今鋼軌探傷領域研究的新方向。常用的鋼軌無損檢測以傳統壓電超聲檢測技術為主，近些年發展的新技術包括：漏磁檢測技術[1]，交變電場檢測技術[2]，渦流檢測技術[3]，電磁超聲技術[4]，超聲導波[5]及激光超聲技術[6]等。

本研究運用的鋼軌無損檢測方法基于聲發射(AE—Acoustic Emission)技術。這是一種被動無損檢測技術，其原理基于材料局部因能量的快速釋放而發出瞬態彈性波，在存在損傷時在特殊的頻段會發出較高能量的彈性波[7]。聲發射技術具有很高的靈敏度，可用于動態、連續和在線的無損監測，對滾動元件接觸疲勞失效檢測和壽命預測具有獨特的優勢[8]，近年一些學者在理論研究方面做出了很多突破。HESSE等[9]進行了關于面波在鋼軌中傳播的實驗，研究了在不同頻率下不同模型的鋼軌中面波的傳播速度，得出面波在鋼軌中的頻散曲線；CHONG等[10]研究了導波在鋼軌中的傳播損傷信號的特性，通過分析損傷信號來判斷傷損位置；COCCIA等[11]進行了導波用于測量軌頭損傷的數值模擬以及實驗分析。

同時本研究還運用基于小波分析的奇異性檢測手段對試驗結果進行分析處理。小波分析的奇異性檢測方法有：連續小波變換，模極大值法，基于多分辨率分析的正交小波變換快速算法(Mallat算法)和基于離散二進小波變換原理的快速算法(à Trous算法)等等。已有很多成功運用該方法于機械結構探傷的例子，如何浩祥等[12]利用小波變換奇異性檢測中的模極大值法對網殼中的損傷進行判別和定位；杜守軍等[13]根據小波奇異性加測理論，以應變能力的損傷信號作為結構損傷指標，對懸臂梁結構和平面桁架結構進行數值模擬并進行損傷定位；任青文等[14]以懸臂梁為例，利用數值模擬和實驗分析的方法，通過模極大值的方法提出能夠對損傷定位的指標，并討論了該指標與損傷程度的關系。

本文通過對在役鋼軌損傷前后監測系統所采集的數據信號進行時域和頻域的分析，根據聲發射原理和能量頻譜法，得出鋼軌有損判據；根據奇異性檢測原理，通過比較連續小波變換、模極大值法以及à Trous算法三種方法對實驗數據處理的結果，找出可行的小波判據判斷損傷位置。

1 探傷原理簡介

1.1 聲發射探傷原理

1.2 小波奇異性探傷定位原理

小波變換具有空間局部性，它能“聚焦”空間的局部結構以確定信號的奇異性位置。同時小波變換不僅可以確定奇異發生的時間，而且可以進一步判斷奇異的性質。奇異性檢測主要思想是尋找小波變換中模極大值在細尺度下收斂的坐標以確定奇異發生的時間；通過小波變換模極大值的衰減計算Lipschitz指數，以判斷奇異的性質。

用小波變換進行奇異性檢測的方法有很多，比如連續小波變換(CWT)，因二進小波變換未對時間平移參數離散化而具有時間平移不變性，也適用于做奇異性檢測；而離散二進小波變換可以通過à Trous算法快速實現，它類似于雙正交小波中的Mallat算法。這些方法對于處理本文的有損數據都有其優缺點：利用連續小波變換處理信號，存在信息冗余，而且對較小的損傷，該方法不能明顯的表現其奇異性；利用模極大值法處理信號，在收斂過程中，模極大線有可能中斷，在某些尺度下奇異點附近沒有模極大，而且模極大的點也不一定是奇異點，需要對Lipschitz指數計算進行進一步判斷；利用à Trous算法處理信號，不需要對每一級系數進行抽取和插值，不受雙正交條件的制約，而且選取的小波函數只需要滿足二進小波條件即可，同時à Trous算法具備平移時不變性的特征，它只是對濾波器組進行內插補零，其每級分解系數和原時間序列的長度保持一致，是真正意義上的無抽取離散小波變換。

2 實測數據信號采集

信號采集系統為基于PZT傳感器的鐵路道岔探傷系統。火車或貨車經過時，該套探傷系統被激發用來收集聲發射信號檢測道岔處是否存在裂縫。該系統應用聲發射檢測方法(AE)，利用過往列車作為激發荷載，傳感器根據外部載荷產生響應信號。如果在道岔中有損傷，信號超過閾值，相應數據通過數據采集系統由電纜傳送到附近控制室中的中央分析系統。閾值設定與無損狀態信號的均方根有關。數據采集系統使用四通道的商業數據采集卡NI9223，采樣率最高可達10 MHz；系統采用Labview 軟件進行數據收集和分析。該探傷系統于2013年2月安裝在使用中的鋼軌道岔上。

傳感器布置如圖1所示，四片PZT傳感器對稱布置在兩條鋼軌內側，分別距離道岔3.9 m和3.3 m。系統四個通道全部用來數據采集，通道1和3分別采集離道岔口3.9 m的兩個傳感器的信號；通道2和4分別采集離道岔口3.3 m的兩個傳感器的信號；采樣率為600 kHz～1 MHz。在同年6月監測系統被警告信號激發并成功記錄了損傷鋼軌道岔的相關數據，在現場檢查后看部分道岔軌頭已經完全磨損掉落(圖2)。

圖1 傳感器的分布 圖2 鋼軌道岔損傷Fig.1 Sensor arrangement Fig.2 Damage in rails

3 損傷識別

在道岔上安裝探傷系統后，首先記錄了時域基線信號視為無損信號，以用于損傷判斷。在損傷發生后，對各個通道的信號進行了分析， 發現傳感器1得到的無損數據信號和有損數據信號的差別較為明顯，其波形圖如圖3(a)和(b)所示。 由兩圖對比可以看出，在同樣時間段內，有損數據波形圖3(b)中AE高頻脈沖信號比無損數據波形圖中3(a) 明顯增多，即有損數據計數率或計數總和均高于無損數據，這是由于鋼軌損傷破壞后在損傷處微裂縫反復發生變形產生AE高頻彈性波。

圖3 傳感器1信號波形圖Fig.3 Waveform of sensor 1

用能量法如功率譜法通常能更好地表征結構的破壞。這里，我們將傳感器1接收到的數據信號進行功率譜分析，得到對應的功率譜密度(PSD)圖，傳感器1無損、有損數據信號的功率譜密度曲線對比圖如圖4所示。

圖4 傳感器1有損、無損數據功率譜密度曲線對比Fig.4 PSD of data with and without damage of sensor 1

從圖4有損、無損數據的功率譜曲線中，可以看出有損數據信號比無損數據信號具有更高的能量值，同時在100～300 kHz的頻率范圍內，有損數據信號出現了明顯的能量峰值，這證實了先前的理論假設，即結構有損后會在特殊的高頻段(100～300 kHz)產生高能AE彈性波。由此，通過分析現場探傷系統得到的數據，我們可以用AE瞬時脈沖和高頻PSD成像特點判別出鐵路軌道是否有破壞。

1.1 威斯康星卡片分類測試(Wisconsin card sorting test，WCST) WCST由Grant和Berg[6]編制，是一種較為常用的客觀的執行能力測驗方法之一。測試分別將128張顏色、形狀及數目均不同的卡片多次呈現在患者的眼前，根據指示分類連續10次無誤則完成測試，通過完成的分類數和持續性錯誤數來評分。該測驗可客觀、全面、綜合地反映被試者的執行能力、思維組織能力以及抗干擾能力[7]。

4 損傷定位

4.1 奇異性檢測結果

利用連續小波變換(CWT)，模極大值法和à Trous算法，對得到的損傷數據進行奇異性檢測，使用連續小波變換時，連續小波變換系數小，由于存在的損傷較小，不能在CWT灰度圖中明顯表示，無法進行奇異性的判斷；使用模極大值算法時，原始信號處理后存在較多的奇異點，給準確判斷出實際損傷的位置帶來很大的困難。圖5與圖6分別顯示用CWT和模極大值處理有損數據時的困難程度。相比以上兩種算法，基于離散二進小波變換原理的à Trous算法，不會存在信息丟失等問題，可以保證奇異性檢測的準確性。

圖5 連續小波變換數據處理Fig.5 Data processed by CWT

圖6 模極大值法數據處理Fig.6 Data processed by Mallat algorithm

將傳感器1和2得到的有損數據原信號及該信號分解后各頻段信號數據，進行à Trous算法檢測奇異性，可得到對應的變換系數圖，其中傳感器1變換系數圖如圖7所示。

圖7 傳感器1有損數據原信號及cd1、cd2和cd3各頻段信號二進小波變換系數Fig.7 Dyadic wavelet transform coefficients of the original data and the frequency band data of cd1， cd2 and cd3 from sensor 1

由圖7可以發現，原信號進行各個頻段處理后，表現為較明顯的奇異性顯示，可以基本判斷奇異點的位置；高頻段cd1、cd2和cd3的奇異性同樣明顯，可以準確判斷出奇異點的時間位置，經過計算即可獲得損傷存在的位置。同樣地，在傳感器2高頻段的變換系數圖中也發現了明顯的奇異點。

4.2 位置判斷

根據à Trous算法已經給出的奇異性處理結果，在圖像中可以捕捉到奇異點的時間信息，如表1所示。

表1 à Trous 算法對有損數據處理得到奇異點的時間位置

根據離散小波變換得到各頻段信號與原信號的之間的關系，及列車輪間距的存在對信號的觸發產生的延遲效應，實際損傷發生時間計算公式為：

T=2n×Tn-L/V

(1)

式中 ：n為各頻段對應的級數，Tn為各頻段對應奇異點的時間位置，L為列車每組車輪中車輪間距，取值為0.6 m，V為應力波群速度，根據在PSD圖譜分析中可以發現，波的頻率在150～200 kHz之間，可以看到明顯的能量峰值，同時，對應于參考文獻[9]中關于頻率與群速度的頻散曲線圖可以發現，在WS2(有損面波2)模型中，150～200 kHz的頻率對應的群速度為2 840～2 900 m/s之間，本文中取2 850 m/s。根據上述時間計算公式，可以得到損傷發生的計算距離，和實際測量得到的損傷距離3.9 m和3.3 m進行比較可以得到誤差，具體結果如表2所示。

表2 à Trous 算法對有損數據處理得到計算距離和其誤差

從表2中可以看出，原始信號以及在不同頻段處理得到的數據差異較小，意味著在不同頻段得到的時間信息具有可靠性。在原始信號以及在不同的頻段下，3.9 m處的傳感器1損傷位置判斷誤差較大，3.3 m處的傳感器2損傷位置判斷誤差較小。除了系統不可消除的誤差存在之外，實測數據的采集系統、試驗數據的提供以及實驗數據處理方法都會給最終結果帶來誤差: 數據監測系統本身存在著取點誤差；數據處理方法上存在理論誤差，信號分解會造成一定的時間偏移，再經過時間還原，會給損傷定位帶來一定的距離計算誤差。

5 結 論

(1)通過數據時域圖的比較，針對鋼軌軌頭剝落損傷，有損數據相比無損數據有更多的AE脈沖信號，即更多的幅值突變，這些聚集的AE脈沖信號與結構中損傷的形成和發展有關，從聲發射事件計數角度，有損數據的計數率以及計數總和均高于無損數據，因此可以根據這種特點來判斷損傷的存在。通過數據功率譜圖的比較，也可以看出有損數據相比無損數據存在更明顯的能量聚集，在100～300 kHz之間存在明顯的能量突變，因此也可以根據這種特點判斷損傷的存在，以及得知發生突變的頻率范圍。

(2)根據有損數據的處理分析結果，可以發現：連續小波變換，模極大值法和 à Trous 算法，三種方法處理損傷數據都會看到奇異性的存在，但是基于離散二進小波變換原理的à Trous算法，其每級分解系數和原時間序列的長度保持一致，不但具有平移不變性，而且可以保證奇異性檢測的準確性。

(3)根據本文研究結果，所用的 à Trous 算法對于原始數據以及原始數據分解后的各頻段數據處理結果，奇異點的時間位置大致一致，誤差也相對較小。從數據對比中還能夠發現，有損數據的高頻段信號的處理結果展示了更好的奇異點的性質和特征，這與之前的理論相吻合。因此，à Trous方法可以應用于鐵軌剝落磨損等損傷檢測，并能給出損傷位置信息，可以較為方便地確定損傷位置。

致謝

感謝西南交大鐵發公司對于本研究的技術和實驗支持。

[1] LI Y, WILSON J, TIAN G Y. Experiment and simulation study of 3D magnetic field sensing for magnetic flux leakage defect characterisation[J]. NDT & E International, 2007, 40(2):179-184.

[3] SONG Z, YAMADA T, SHITARA H, et al. Detection of damage and crack in railhead by using eddy current testing[J]. Journal of Electromagnetic Analysis and Applications, 2011, 3(12):546-550.

[4] EDWARDS R S, DIXON S, JIAN X. Characterisation of defects in the railhead using ultrasonic surface waves[J]. NDT & E International, 2006,39(6): 468-475.

[5] COCCIA S, PHILLIPS R, NUCERA C, et al. UCSD/FRA non-contact ultrasonic guided-wave system for rail inspection an update [C]// Proceedings of SPIE—The International Society for Optical Engineering, 2011.

[6] KENDERIAN S, DJORDJEVIC B B, CERNIGLIA D, et al. Dynamic railroad inspection using the laser-air hybrid ultrasonic technique[J]. Non-Destructive Testing and Condition Monitoring,2006, 48(6): 336-341.

[7] BRUZELIUS K, MBA D. An initial investigation on the potential applicability of Acoustic Emission to rail track fault detection[J]. NDT & E International, 2004, 37(7): 507-516.

[8] BOLLAS K, PAPASALOUROS D, KOUROUSIS D, et al. Acoustic emission monitoring of wheel sets on moving trains[J]. Construction and Building Materials, 2013,48:1266-1272.

[9] HESSE D, CAWLEY P. Surface wave modes in rails[J]. Acoustical Society of America, 2006,5(15):733-740.

[10] CHONG M L, JOSEPH L R, YOUNHO C. A guided wave approach to defect detection under shelling in rail[J]. NDT & E International,2009,42:174-180.

[11] COCCIA S, BARTOLI I, MARZANI A, et al. Numerical and experimental study of guided waves for detection of defects in the rail head[J].NDT & E International,2011, 44:93-100.

[12] 何浩祥,孫立,閆維明,等.基于小波分析的結構損傷信號奇異性檢測[J].工業建筑,2007(增刊1):204-207. HE Haoxiang, SUN Li, YAN Weiming, et al. Singularity detection for structural damaged signals based on wavelet analysis[J]. Industrial Construction,2007(Sup1):204-207.

[13] 張悅,杜守軍,張麗梅. 小波奇異性在鋼結構損傷檢測中的應用[J]. 河北科技大學學報,2010,31(2):151-157. ZHANG Yue, DU Shoujun, ZHANG Limei. Application of wavelet singularity to steel structural damage detection[J]. Journal of Heibei University of Science and Technology,2010,31(2):151-157.

[14] 邱穎,任青文,朱建華. 基于小波奇異性的梁結構損傷診斷[J]. 工程力學,2005(增刊1):146-151. QIU Ying, REN Qingwen, ZHU Jianhua. A beam damage diagnosis based on wavelet singularity[J]. Engineering Mechanics,2005(Sup1):146-151.

[15] YAMAGISHI S, ICHIKI M, FUJIMOTO S,et al. Characterization of the piezoelectric power generation of PZT ceramics under mechanical force[C]//2013 Symposium on Design, Test, Integration and Packaging of MEMS/MOEMS. DTIP,2013.

[16] SAKAMOTO W K, MARIN-FRANCH P, TUNNICLIFFE D,et al. Lead zirconate titanate/polyurethane (PZT/PU) composite for acoustic emission sensors[C]//Conference on Electrical Insulation and Dielectric Phenomena (CEIDP). Annual Report:20-23.

[17] SONG G, GU H, MO Y L, et al. Concrete structural health monitoring using embedded piezoceramic transducers[J]. Smart Materials and Structures, 2007, 16(4): 959.

[18] QIU L, YUAN S F, SHI X L,et al. Design of piezoelectric transducer layer with electromagnetic shielding and high connection reliability[J]. Smart Materials and Structures,2012, 21(7): 075032.

Rail damage detection method based on acoustic emission and wavelet singularity

SONG Yang1, WU Fan1, LIU Dekou1, LIU Xiaozhou2, NI Yiqing2

(1. School of Naval Architecture, Ocean and Civil Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;2. Intelligent Structural Health Monitoring R&D Centre, The Hong Kong Polytechnic University Shenzhen Research Institute, Shenzhen 518057, China)

Many major derail accidents are closely related to the rail damage, so the study on the rail flaw detection technology is particularly important nowadays. The study is aiming at analyzing and comparing the characteristics of signals data before and after destruction, collected by a damage detection system. The damage and defect were judged by the differences between the processed data of destructive signals and nondestructive ones in time and frequency domain and according to the energy spectrum features. What’s more, the locations of defects and damages were obtained by virtue of the singularities of destructive signals using three wavelet singularity analysis methods, including continuous wavelet transform, Mallat algorithm and à Trous algorithm. It is found that à Trous algorithm can give quite accurate information about real damage locations, which shows that this method can be used in the real damage detection for rails and provide us more precise defect location information.

rail; nondestructive test (NDT); accoustic emission (AE); singularity detection

國家自然基金項目(51278300;61227011);深圳科技部基金項目(CXZZ20140508140740862)

2015-07-14 修改稿收到日期：2015-09-25

宋陽 男，碩士生，1990年10月生

吳凡 女，博士，副研究員，1963年6月生

TH212；TH213.3

A

10.13465/j.cnki.jvs.2017.02.032